Image Analysis Tools for Continuous Label-free Quantification of Proliferation and Adipogenic Differentiation of Mesenchymal Stem Cells

En el mundo de la biología moderna, los científicos intentan constantemente comprender cómo las células crecen y cambian. Dos de los procesos más importantes que estudian son la proliferación, que es simplemente la forma en que las células se multiplican para aumentar su número, y la diferenciación, donde una célula genérica se transforma en una especializada, como una célula de grasa. Durante décadas, los investigadores han dependido de métodos que requieren detener el experimento, matar las células y teñirlas con colorantes coloridos para ver qué está sucediendo. Si bien estos métodos proporcionan una instantánea, son destructivos; una vez que observas las células, no puedes volver a verlas. Esto dificulta la comprensión de la historia fluida y continua de cómo evoluciona una población celular a lo largo del tiempo. Además, los productos químicos utilizados para hacer visibles las células a veces pueden dañarlas o crear señales falsas, lo que conduce a recuentos inexactos.

Un campo de investigación creciente se está volviendo hacia un enfoque diferente: observar las células sin tocarlas en absoluto. Mediante el uso de cámaras avanzadas y programas informáticos, los científicos pueden observar células vivas mientras crecen y cambian, capturando miles de imágenes durante días o semanas sin añadir jamás una sola gota de tinte. Este método "libre de etiquetas" promete una visión más clara y honesta de la vida celular. Es particularmente vital para industrias emergentes como la carne cultivada, donde los científicos necesitan cultivar grandes cantidades de grasa animal y músculo en un laboratorio, y para la investigación médica sobre la obesidad y la diabetes, donde comprender el momento preciso de la formación de las células de grasa es crucial. El desafío, sin embargo, ha sido enseñar a las computadoras a reconocer estas células con precisión en las imágenes, ya que las células suelen agruparse y parecerse mucho entre sí.

En un estudio reciente, los investigadores se propusieron probar dos formas de utilizar esta tecnología libre de etiquetas para rastrear células madre mesenquimales, que son células versátiles capaces de convertirse en grasa. Estas células fueron tomadas tanto de humanos como de cerdos, reflejando el interés dual en la salud humana y la producción de carne sostenible. El equipo comparó dos estrategias distintas. La primera fue un sistema de software integrado proporcionado por el fabricante del dispositivo de imagen de células vivas, diseñado para ser fácil de usar e integrado directamente en el microscopio. La segunda fue un modelo informático personalizado, entrenado por los propios investigadores utilizando una herramienta potente y de código abierto llamada Cellpose, que está diseñada para ayudar a las computadoras a "ver" y separar células individuales en imágenes complejas.

Los investigadores cultivaron estas células en el laboratorio, observando cómo se multiplicaban y luego guiándolas para que se convirtieran en células de grasa. Tomaron fotografías de los cultivos cada hora durante varios días, creando una enorme biblioteca de imágenes que muestran las células en cada etapa de su vida. Luego, pasaron estas mismas imágenes tanto por el software integrado como por su modelo personalizado para ver cuál podía contar las células y medir su crecimiento con mayor precisión. Cuando se trataba de contar células mientras se multiplicaban, ambos métodos funcionaron bien, pero tenían diferentes fortalezas. El software integrado era excelente para manejar escenas concurridas donde las células estaban apretadas, proporcionando un recuento fiable incluso cuando el plato estaba lleno. El modelo personalizado, sin embargo, era superior en densidades bajas, donde podía distinguir claramente células individuales y contarlas con alta precisión, incluso cuando apenas comenzaban a crecer.

La historia se volvió más interesante cuando las células comenzaron a convertirse en grasa. A medida que las células se diferenciaban, empezaban a llenarse de gotas lipídicas, que son diminutas burbujas de grasa dentro de la célula. El software integrado era muy bueno detectando estas células de grasa maduras porque se ven diferentes y tienen un contraste más alto que las otras células. Podía decirle a los investigadores qué parte del plato estaba cubierta por estas células de grasa maduras. Sin embargo, le costaba ver las primeras etapas del proceso, perdiendo las células que acababan de empezar a cambiar pero que aún no se habían llenado de suficiente grasa para destacar. El modelo personalizado, por otro lado, fue entrenado para reconocer la forma de las células en sí, no solo la grasa en su interior. Esto le permitió detectar los primeros signos de diferenciación, identificando células que comenzaban a comprometerse a convertirse en grasa mucho antes de que fueran completamente maduras. Esto les dio una visión más temprana y detallada de la transformación.

El estudio también probó si estos modelos informáticos podían funcionar en diferentes especies y diferentes tipos de microscopios. El modelo personalizado, que fue entrenado inicialmente con imágenes de células de cerdo, no podía reconocer automáticamente las células humanas sin ser reentrenado, lo que resalta que estos programas informáticos necesitan ejemplos específicos para aprender. Sin embargo, una vez que los investigadores entrenaron una nueva versión del modelo con células humanas, funcionó igual de bien. Además, demostraron que estos modelos no estaban limitados al sistema de imagen de alta tecnología utilizado en el laboratorio. Aplicaron con éxito sus modelos personalizados a imágenes tomadas con microscopios estándar y manuales, mostrando que esta tecnología puede usarse en muchos laboratorios diferentes, no solo en aquellos con equipos automatizados y costosos.

Uno de los hallazgos más significativos fue la capacidad de ver las variaciones ocultas dentro de un solo plato de cultivo. Debido a que el sistema de imagen tomaba fotografías de muchos puntos diferentes del plato a lo largo del tiempo, los investigadores pudieron ver que las células de grasa no se formaban todas al mismo tiempo ni en los mismos lugares. Algunas áreas del plato estaban llenas de células de grasa, mientras que otras permanecían vacías. Este tipo de detalle espacial habría sido imposible de ver con los métodos tradicionales, que usualmente toman una sola foto desde el centro del plato al final del experimento. El monitoreo continuo también reveló que diferentes lotes de células, incluso de un mismo tipo de animal, se comportaban de manera distinta. Algunos lotes se convertían en grasa de forma rápida y eficiente, mientras que otros tenían dificultades, una variación que podría ser crítica para producir carne cultivada consistente o para comprender por qué algunas personas son más propensas a la obesidad.

En última instancia, el estudio demostó que la imagen libre de etiquetas es una herramienta poderosa que elimina la necesidad de procedimientos de tinción desordenados y destructivos. Permite a los científicos observar todo el ciclo de vida de una población celular en tiempo real, desde el momento en que se siembran hasta el momento en que se convierten en células de grasa especializadas. Si bien el software integrado ofrece una solución conveniente de "conectar y usar" que funciona bien para células maduras, los modelos entrenados de forma personalizada proporcionan un nivel de flexibilidad y detalle que no tiene rival, siendo capaces de detectar los cambios más tempranos y adaptarse a diferentes tipos de células y configuraciones de microscopio. Al combinar estos enfoques, los investigadores pueden ahora rastrear la dinámica del crecimiento celular y la formación de grasa con una claridad que antes era inalcanzable, ofreciendo nuevos conocimientos tanto para la ciencia médica como para el futuro de la producción de alimentos. Todos los modelos informáticos desarrollados en este estudio se han puesto a disposición del público, permitiendo que otros científicos utilicen y mejoren estas herramientas para sus propias investigaciones.